基于叶绿素荧光成像及DB-YOLOv7的绿豆叶斑病检测方法技术

本发明专利技术公开了一种基于叶绿素荧光成像及DB

【技术实现步骤摘要】
基于叶绿素荧光成像及DB
‑
YOLOv7的绿豆叶斑病检测方法


[0001]本专利技术属于图像处理及植物叶片病害检测领域，具体涉及一种基于叶绿素荧光成像及DB
‑
YOLOv7的绿豆叶斑病检测方法。

技术介绍

[0002]绿豆是主要的食用豆类之一，在全球栽培种植较为普遍。绿豆适应性和抗逆性强，耐旱、耐贫瘠，生育期短，播种适期长，且有固氮能力，是棉花、薯类、禾谷类作物间作套作种植的适宜作物，在农业种植结构调整和高产、高效、优质农业发展中具有其他作物不可替代的优势。从播种面积看，绿豆的播种面积占全国播种面积的78％。绿豆出口国之一，但是由于近年来国内绿豆需求量逐年增加，绿豆市场供需关系的改变及进口绿豆价格低等因素影响，导致绿豆的进口量逐年增加，目前我国绿豆已从原来的主要出口国转变为主要进口国。
[0003]就保证农作物产量而言，在作物生长过程中对作物的病害、虫害进行快速检测显得极为重要。在作物生长过程中，很多作物叶片疾病会直接影响农作物的产量。其中，叶斑病是绿豆的主要病害之一，主要损害叶片，导致叶片枯萎和脱落本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于叶绿素荧光成像及DB
‑
YOLOv7的绿豆叶斑病检测方法，其特征在于，包括以下步骤：(1)预先获取绿豆叶片的叶绿素荧光图像，通过人工标注制作绿豆叶斑病数据集，并划分为训练集、验证集和测试集；(2)构建基于DB
‑
YOLOv7的绿豆叶斑病检测模型；包括用于特征提取的动态空间卷积池化金字塔模块DSPP和增强特征提取的网络模块BcFPN，并且引入了CA注意力机制模块；(3)基于训练集和验证集对基于DB
‑
YOLOv7的绿豆叶斑病检测模型进行训练和评价；(4)将测试集图像输入至训练后的基于DB
‑
YOLOv7的绿豆叶斑病检测模型进行识别，实现绿豆叶斑病检测。2.根据权利要求1所述的基于叶绿素荧光成像及DB
‑
YOLOv7的绿豆叶斑病检测方法，其特征在于，所述步骤(1)实现过程如下：利用FluorCam叶绿素荧光成像技术对发病后的绿豆叶片进行叶绿素荧光成像数据采集；按照病情指数进行抗性划分；通lableimg软件实现对叶片抗病等级的标注；对绿豆叶斑病数据集进行划分，将其按照8:1:1的比例划分为训练集、验证集和测试集。3.根据权利要求1所述的基于叶绿素荧光成像及DB
‑
YOLOv7的绿豆叶斑病检测方法，其特征在于，步骤(2)所述动态空间卷积池化金字塔模块DSPP包括7个ODC卷积和6个卷积核大小为3
×
3的普通卷积，其中ODC卷积是在全维动态卷积ODConv的基础上进行优化；具体就是将ReLU激活函数替换成了GeLU激活函数，解决梯度消失问题；所述ODC卷积包括全局平均池化层GAP、全连接层FC、GeLU激活函数、sigmoid激活函数、softmax函数以及针对卷积核W
i
的空域位置权重α
si
、输入通道权重α
ci
、输出通道权重α
fi
、核权重α
wi
，通过并行策略引入一种多维注意力机制以对卷积核空间的四个维度学习更灵活的注意力。4.根据权利要求1所述的基于叶绿素荧光成像及DB
‑
YOLOv7的绿豆叶斑病检测方法，其特征在于，步骤(2)所述动态空间卷积池化金字塔模块DSPP工作过程如下：输入的特征图F
in
，其长、宽、通道数分别为H、W、C；F
in
先分别经过三次ODC卷积和一次ODC卷积得到H
×
W
×
C/2的特征图F1、F2，然后F1经过1个、2个、3个卷积核大小为3
×
3的普通卷积和一个无处理的连接得到四个H
×
W
×
C/2的特征图，分别为F
11
、F
12
、F

【专利技术属性】
技术研发人员：高尚兵，李洁，余骥远，唐琪，张浩淼，陈新，缪奕可，蒋东山，曹鹏，袁星星，李士丛，杨瑞杰，张海艳，
申请(专利权)人：江苏省农业科学院，
类型：发明
国别省市：